Ciência de Dados em Brasil

A estrutura de cobrança reflete o grau de incerteza do trabalho. Quando a pergunta de negócio está clara e os dados existem, o profissional consegue fechar valor por projeto, geralmente dividido em fases: diagnóstico dos dados, modelagem e entrega dos resultados. Quando nem a pergunta está madura, a cobrança por hora ou um pacote inicial de investigação faz mais sentido — pagar escopo fechado por algo indefinido gera atrito para os dois lados. Empresas com demanda recorrente contratam assinatura mensal, um banco de horas para análises sob demanda. No orçamento, o fator mais subestimado é a preparação: limpar, cruzar e organizar dados costuma consumir mais tempo que a modelagem em si, e dados espalhados em planilhas soltas encarecem qualquer proposta. Colocar o modelo para rodar de forma recorrente, integrado aos sistemas, também custa mais que uma análise pontual. Uma prática que protege o investimento é começar com um diagnóstico curto e pago, que dimensiona o projeto grande com base no que os dados realmente permitem.

O cronograma típico começa pelo acesso e pela avaliação dos dados, passa pela preparação — limpeza, cruzamento de fontes, construção das variáveis —, segue para a modelagem e termina na validação e na apresentação dos resultados. Duas características diferenciam esse tipo de projeto de um desenvolvimento comum. A primeira é que ele é iterativo: o profissional testa hipóteses, e parte delas não se confirma; por isso, contratos bem feitos preveem um checkpoint no meio do caminho para decidir se vale seguir, ajustar a pergunta ou parar. A segunda é que o resultado depende do histórico disponível — prever demanda exige meses de dados de venda, e nenhuma técnica compensa registro que não existe. Os atrasos mais comuns vêm da liberação de acessos e da descoberta de inconsistências nos dados, que obrigam retrabalho na origem. Reserve também tempo para a etapa final: transformar o achado técnico em recomendação que a gestão entenda e consiga aplicar faz parte do prazo, não é apêndice.

Uma entrega completa vai além do modelo: inclui o relatório com as conclusões em linguagem de negócio, o código e a documentação de como os dados foram tratados, as métricas de desempenho explicadas — com o que o modelo acerta, erra e em que condições — e as recomendações práticas. Confirme na proposta que o código e a documentação ficam com a empresa, porque um modelo sem documentação vira caixa-preta na saída do fornecedor. Ficam normalmente fora do escopo, e devem ser orçados à parte quando necessários: a coleta de dados que ainda não existem, a integração do modelo aos sistemas para uso recorrente, o dashboard de acompanhamento e o retreinamento conforme os dados envelhecem — modelos preditivos perdem precisão com o tempo e precisam de revisão periódica. Também vale delimitar o número de iterações incluídas: análises geram novas perguntas, e sem esse limite o projeto cresce sem fim. Peça que as limitações do estudo constem por escrito na entrega.

O sinal mais confiável aparece na primeira conversa: o bom profissional quer entender qual decisão a análise vai informar e o que muda na operação com a resposta, enquanto o fraco oferece a técnica do momento antes de conhecer o contexto. Desconfie de quem promete nível de acerto sem ter examinado seus dados — precisão é resultado do que o histórico permite, não item de proposta. Na avaliação, peça casos anteriores contando o problema, o caminho e o efeito no negócio, e converse com um cliente antigo sobre o que aconteceu depois da entrega, porque análise engavetada é o fracasso mais comum da área. Teste a comunicação: peça para a pessoa explicar um projeto passado como se você não soubesse nada de estatística; quem domina o assunto simplifica sem distorcer. Para reduzir o risco da contratação, estruture um primeiro trabalho pequeno e pago, com pergunta delimitada, e use essa entrega para avaliar rigor, prazo e clareza antes de fechar o projeto maior.

Volume pequeno de dados muda o cardápio, não inviabiliza o trabalho. Análises descritivas — quem compra, quando, o que combina com o quê — funcionam com bases modestas e costumam revelar padrões que ninguém tinha enxergado. Comparações simples e testes controlados, como medir duas abordagens de oferta, também cabem em operações menores. O que exige cautela é a previsão: modelo treinado com poucos registros decora o passado em vez de aprender o padrão, e passa falsa confiança. Nesses casos, o projeto mais valioso é o que prepara o futuro: definir quais dados coletar, padronizar cadastros, integrar as fontes que hoje vivem em planilhas separadas e criar a rotina de registro que, em alguns meses, sustenta análises mais ambiciosas. Fontes externas ajudam a complementar — dados públicos de mercado, demografia e sazonalidade. Um roteiro honesto começa com o diagnóstico da base, entrega valor com o que existe e escala a sofisticação conforme o histórico cresce.

Projetos de dados têm duas fases com custos distintos: a construção e a operação. A construção envolve levantamento das fontes, tratamento, modelagem e desenvolvimento do painel ou da automação. A operação envolve processamento periódico, armazenamento, chamadas a modelos de linguagem quando houver e manutenção quando as fontes mudam. Peça a estimativa mensal de operação junto da proposta, com premissas de volume — em soluções baseadas em modelos, o custo cresce com o uso e precisa ser monitorado. Comece por um escopo pequeno com valor claro, como um painel com cinco indicadores que hoje são calculados à mão, e avalie o retorno antes de expandir. Peça também o desenho da arquitetura e a documentação das transformações aplicadas aos dados em cada etapa.

A etapa que mais consome tempo é a preparação dos dados, não a visualização. Sistemas diferentes usam nomes, formatos e regras distintas para a mesma informação, e conciliar isso exige decisões de negócio que só você pode tomar — o que conta como cliente ativo, como um cancelamento é registrado, qual data vale para a receita. Reserve tempo para essas definições e registre-as por escrito, porque elas viram a regra do painel. Faça a validação com números conhecidos: se o painel não bate com o relatório que a equipe usa hoje, ninguém confiará nele. Entregue em versões, começando pelos indicadores mais usados. E defina desde o início quem mantém o painel quando uma fonte mudar, o que acontece com mais frequência do que se espera.

Antes de contratar, levante o essencial: quais sistemas guardam os dados, quem administra cada um, se existe forma de exportar ou conectar e quem pode autorizar o acesso. Liste em seguida de cinco a dez perguntas que a empresa quer responder, com a decisão que cada resposta apoia — perguntas sem decisão associada geram painéis bonitos e inúteis. Se os dados estiverem em planilhas, isso não impede o começo, mas planeje a migração para uma base estruturada conforme o uso crescer. Cuide também da privacidade: mapeie dados pessoais, restrinja acesso ao necessário e defina retenção. Comece pequeno, valide com quem usa e amplie. Projetos de dados morrem mais por falta de adoção interna do que por qualquer limitação técnica da ferramenta.

Comece classificando as informações: públicas, internas, confidenciais e pessoais. Para cada categoria, defina o que pode ser processado por serviços de terceiros e o que precisa permanecer no ambiente controlado. Anonimize ou remova dados pessoais quando eles não forem necessários para a tarefa. Verifique no contrato do fornecedor de modelo se os dados enviados são usados para treinamento e se há opção de desativar isso. Registre as finalidades do tratamento e mantenha um responsável designado. Do lado prático, use contas corporativas com autenticação em duas etapas, restrinja chaves de acesso, registre logs de uso e revise permissões periodicamente. E oriente as equipes: a maior parte dos vazamentos em ferramentas de IA acontece por colagem de conteúdo sigiloso em contas pessoais, não por falha técnica.

Monte a avaliação em três partes. Primeiro, a linha de base: quanto tempo o processo leva hoje, com que taxa de erro e a que custo. Segundo, um conjunto de casos de teste representativos, incluindo os difíceis, com a resposta correta conhecida — é ele que permite medir acerto de forma objetiva. Terceiro, o acompanhamento em produção, com amostragem revisada por pessoas e registro de falhas. Defina também o comportamento esperado quando o sistema não souber responder: encaminhar para atendimento humano costuma ser melhor que arriscar resposta errada. Estabeleça responsáveis pela revisão periódica, porque desempenho muda quando os dados de entrada mudam. E documente limitações conhecidas, para que quem usa saiba onde a solução não deve ser aplicada sem revisão humana.

O tema vai de R$ 20 a cerca de R$ 15.000 no catálogo, cobrindo desde peças gráficas avulsas até desenvolvimento de software. Alguns valores de referência: site institucional de R$ 1.500 a R$ 8.000, landing page de R$ 800 a R$ 3.500, loja virtual de R$ 2.500 a R$ 15.000 e gestão de redes sociais de R$ 800 a R$ 4.000 por mês. O que define o preço é a quantidade de telas ou peças, o nível de personalização, se há integração com outros sistemas e quem produz o conteúdo. Projeto feito sobre tema pronto custa uma fração do desenvolvimento sob medida, e é a escolha certa para muita gente. Lembre dos custos recorrentes que não estão no orçamento do projeto: domínio, hospedagem, licenças e manutenção. Peça a proposta com escopo, entregas e o que fica fora.

A execução dos serviços do tema fica em média em torno de quatro horas nas entregas menores e passa de setenta horas nos projetos maiores — mas o calendário real é sempre maior que a soma das horas técnicas. O que mais atrasa projeto digital não é código: é conteúdo. Texto, fotos, catálogo de produtos, logotipo em alta resolução e acessos a domínio e hospedagem precisam estar prontos, e quase nunca estão. Combine desde o início quem produz cada item e uma data de corte para entrega do material. Estabeleça também quantas rodadas de revisão estão incluídas e qual é o prazo para você responder cada uma; projeto parado esperando aprovação é o cenário mais comum. Peça um cronograma com etapas — descoberta, protótipo, desenvolvimento, testes, publicação — e um ambiente de homologação para revisar antes de o site ir ao ar.